Contrastive Label Disambiguation for Self-Supervised Terrain Traversability Learning in Off-Road Environments

要約

地形の通過可能性を識別することは、オフロード環境での自動運転にとって重要なタスクです。
ただし、オフロードの走行性は多様で曖昧でプラットフォーム固有の性質があるため、これは困難です。
この論文では、対照的なラベルの曖昧さ回避メカニズムを利用した、新しい自己教師あり地形横断可能性学習フレームワークを提案します。
まず、実際の運転経験をリアルタイムで構築された地形モデルに投影することにより、擬似ラベルを備えた弱くラベル付けされたトレーニング サンプルが自動的に生成されます。
その後、プロトタイプベースの対比表現学習方法が、識別可能な埋め込みを学習するように設計され、それらの疑似ラベルの自己教師あり更新を容易にします。
表現の学習と擬似ラベルの更新の間の反復的な相互作用により、それらの擬似ラベルのあいまいさが徐々に排除され、人が提供するアノテーションなしでプラットフォーム固有およびタスク固有のトラバーサビリティを学習できるようになります。
RELLIS-3D データセットとゴビ砂漠走行データセットの実験結果は、提案された方法の有効性を示しています。

要約(オリジナル)

Discriminating the traversability of terrains is a crucial task for autonomous driving in off-road environments. However, it is challenging due to the diverse, ambiguous, and platform-specific nature of off-road traversability. In this paper, we propose a novel self-supervised terrain traversability learning framework, utilizing a contrastive label disambiguation mechanism. Firstly, weakly labeled training samples with pseudo labels are automatically generated by projecting actual driving experiences onto the terrain models constructed in real time. Subsequently, a prototype-based contrastive representation learning method is designed to learn distinguishable embeddings, facilitating the self-supervised updating of those pseudo labels. As the iterative interaction between representation learning and pseudo label updating, the ambiguities in those pseudo labels are gradually eliminated, enabling the learning of platform-specific and task-specific traversability without any human-provided annotations. Experimental results on the RELLIS-3D dataset and our Gobi Desert driving dataset demonstrate the effectiveness of the proposed method.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google